КИ как генератор параметров для квантовых схем |
||
|
МЕНЮ Главная страница ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ Атаки на ИИ Внедрение ИИИИ теория Компьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Промпты. Генеративные запросы Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2026-11-15 11:56 Исследователи проверяют, могут ли большие языковые модели (БЛМ) без оптимизации подбирать параметры для квантовых алгоритмов, и когда это работает лучше всего. Использовали замороженную БЛМ, которая по описанию схемы и гамильтониана генерировала векторы параметров, с возможностью корректировки по энергии. Для простых гамильтонианов ошибка энергии у БЛМ выше, чем у стандартного метода, но для структурированных систем она находит низкоэнергетические конфигурации. Это помогает понять, что БЛМ лучше справляются с задачами, где есть явная структура — например, в молекулярных расчётах. При этом прямые предсказания энергии могут быть неверными, но сами параметры схемы позволяют проверить их физическую реализуемость. Конспект: Программирование параметров квантовых схем с использованием больших языковых моделей Исследователи проверяют, как большие языковые модели (БЛМ) могут генерировать параметры квантовых схем без классических методов оптимизации — например, Adam. Оказалось, что для произвольных гамильтонианов БЛМ даёт параметры хуже, чем оптимизация, но для структурированных задач — например, молекулярных систем — она находит низкоэнергетичные конфигурации, если в схеме есть явные физические закономерности. Интересно, что модель может предсказывать минимальные энергии хуже, чем физические ограничения гамильтониана, но при этом генерируемые параметры всё равно позволяют вычислять реалистичные значения энергии. Даже если БЛМ не понимает, как работает схема, она всё равно может предсказывать результаты измерений — просто как чёрный ящик. I Introduction Введение показывает, что вариационные квантовые алгоритмы (ВКА) сочетают параметризованные квантовые схемы с классическим оптимизатором для решения задач квантовой симуляции, оптимизации и машинного обучения. Основная проблема здесь — это количество необходимых квантовых оценок целевой функции, так как каждый вызов требует запуска схемы и измерений, а градиентные методы добавляют лишние измерения для оценки производных. Вместо этого исследователи предлагают обучать нейронные сети на задаче оптимизации, а не просто использовать заранее заданные правила обновления параметров — например, как в случае с рекуррентными нейронными сетями, которые учатся адаптировать свои обновления на разных задачах. Некоторые работы показывают, что обучаемые оптимизаторы могут снижать нагрузку на квантовые вычисления, но их эффективность зависит от специальной предобученки. Новые подходы, такие как реактивные правила или генеративные модели (например, Flow-VQE), пытаются обойтись без фиксированных шаблонов… II Language Model-Based Quantum Circuit Analysis Авторы проверяют, как обучаемая нейросеть на больших данных может оптимизировать параметры заранее заданной квантовой схемы, минимизируя её энергетическое состояние. При этом модель не только подбирает числовые значения для оптимизации, но и пытается разобраться в логике схемы — например, понять, что она делает и зачем, просто глядя на её текстовое описание без запуска. Эксперимент показывает, что такой подход работает и для оптимизации, и для интерпретации, хотя точность зависит от качества входных данных и архитектуры модели. Интересно, что нейросеть обучается на классических данных, но успешно переносит навыки на квантовые задачи. II.1 Circuit optimization Метод предлагает оптимизировать параметры квантового цепочечного устройства с помощью языка моделирования, а не традиционных градиентных алгоритмов. Система получает исходное описание цепочки в OpenQASM и гамильтониан в терминах паулинских операторов, а модель языка генерирует полные наборы параметров без знания целевой энергии или оптимальной траектории. После первого предложения цепочка оценивается по энергии, и модель может улучшать свои последующие варианты, используя историю предыдущих оценок — но не напрямую корректировать параметры на основе текстового объяснения. При этом каждый новый вариант требует полной оценки гамильтониана, что учитывается как единый шаг ресурсоёмкости. II.2 Circuit interpretability Исследователи проверяют, может ли обычный большой языковой модель без обучения предсказывать поведение квантовых схем по их символьному описанию, не запуская их напрямую. Для этого модель получает схемы в формате OpenQASM 3 без алгоритмических меток и должна описать их математическое поведение, возможную задачу и предсказать измеримые результаты — например, для алгоритмов Гровер, квантового преобразования Фурье и Бернштейна-Вазирани. Эксперимент тестирует, насколько модель зависит от привычных последовательностей вентилей: для каждого алгоритма создаются пять вариантов с разными параметрами, но в трёх форматах — логическом (стандартные вентили), нативном (разложение на ограниченный набор) и замаскированном (с случайными преобразованиями, сохраняющими функционал). Так проверяют, сможет ли модель распознавать суть схемы даже без очевидных шаблонов. Модель большого языка получает одинаковые инструкции для каждого электрического схемного графа и генерирует структурированный ответ с… III Results Эксперимент с методом показал, что он не справляется с оптимизацией параметров для произвольных гамильтонианов — в таких задачах его результаты часто уступают классическим оптимизаторам, например, Adam. Однако в задачах с явной физической или математической структурой, таких как родительские или молекулярные гамильтонианы, модель способна генерировать более перспективные настройки. При этом в некоторых молекулярных примерах итеративное улучшение параметров давало заметное снижение энергии, хотя роль обратной связи остаётся неясной из-за одновременного создания новых предложений. Кроме того, модель с помощью GPT-6 Astra может распознавать определённые квантовые алгоритмы по их схеме, а в некоторых случаях даже правильно предсказывать вероятные измерения, даже если точное алгоритмическое решение не удаётся выявить. Для сравнения с Adam использовался предварительный поиск скорости обучения по логарифмической шкале. III.1 Circuit optimization Авторы тестируют метод оптимизации параметров квантовых схем с помощью большого языка модели (LLM), применяя его к трёх типам задач: молекулярным гамильтонианам, случайным гамильтонианам и структурированным «родительским» гамильтонианам. На примере молекулы H? в плоской геометрии (с четырьмя электронами и четырьмя орбиталями, представленной на 8 кубитах) LLM предлагает полные векторы параметров для параметризованной квантовой схемы UCCSD, а затем оптимизирует их с учётом обратной связи по энергии. Метод сравнивают с классическим градиентным оптимизатором Adam, измеряя точность по отклонению энергии от точного решения FCI. Эксперимент показывает, что подход с «физически осведомлёнными» подсказками (где LLM получает данные о молекулярной структуре и конфигурации) даёт лучшие результаты — некоторые запуски приближаются к целевой энергии уже после нескольких оценок гамильтониана. Для надёжности каждый вариант подсказки (слепой и физически осведомлённый) запускали трижды с одинаковыми… III.2 Circuit interpretability Метод показывает, что замороженный ЛЛМ способен разбираться в квантовых схемах разных форм представления — логической, нативной и замутнённой. При этом точность распознавания алгоритмов сильно зависит от структуры схемы: в логическом виде модель безошибочно идентифицирует все три алгоритма (Гроувера, Фурье-преобразование и Бернштейна-Варизани), а в замутнённом — лишь половину из них. Интересно, что даже если алгоритм не удаётся назвать точно, модель часто правильно предсказывает конечный результат (например, для Бернштейна-Варизани — секретный бит), показывая, что она понимает суть вычислений, а не только их название. Эксперимент показывает, что интерпретируемость цепочек нейронных сетей в тестируемых семействах сохраняет устойчивость, но не доказывает, что объяснения не зависят от особенностей обучающих выборок или не отражают реальный внутренний процесс принятия решений. Подробности реализации и анализа приведены в приложении. IV Conclusions Исследование показало, что зафиксированная большая языковая модель (БЯМ) справляется с генерацией параметров для квантовых схем, но её эффективность сильно зависит от структуры задачи: для хаотичных гамильтонианов она не лучше классических оптимизаторов, а для физически обусловленных (молекулярных, родительских) предлагает разумные параметры без обратной связи. При этом модель может неправильно предсказывать минимальные энергии, но её параметры всё равно дают проверяемые квантовые состояния — это ключевое отличие от чисто численных оценок. Кроме того, БЯМ успешно распознаёт известные квантовые алгоритмы и их результаты, хотя не обязательно объясняет свои выводы логично: это говорит о том, что она может помогать в оптимизации, но не заменяет физическое понимание. В итоге подход полезен для структурированных задач, но не универсален — его производительность зависит от данных обучения, а затраты на инференс нужно учитывать вместе с квантовыми вычислениями. Оригинал статьи: https://arxiv.org/abs/2611.17246 Телеграм: t.me/ainewsline Источник: arxiv.org Комментарии: |
|